3.7. Perancangan Sistem
3.7.1. Perancangan Halaman Utama
dapat dilihat pada Gambar 3.11.
Gambar 3.11. MSE EPOCH 3.7. Perancangan Sistem
Pada tahap ini, akan dijelaskan mengenai perancangan sistem klasifikasi kanker kulit menggunakan metode Evolving Multilayer Perceptron dimana akan ditampilkan perancangan menu dan antarmuka dengan tujuan agar aplikasi dapat dijalankan dengan mudah oleh pengguna.
3.7.1. Perancangan Halaman Utama
Pada halaman utama akan terdapat judul penelitian pada paling atas, dibawahnya akan tampil logo sistem, identitas penulis, lalu di samping kanan aka nada empat tombol menu, yaitu tombol ‘tambah data’, ‘latih data’, ‘lakukan predikasi’, dan ‘exit’.
Perancangan itu dapat dilihat pada Gambar 3.12.
Gambar 3.12. Perancangan Halaman Utama 3.7.2. Perancangan Halaman Tambah Data Latih
Rancangan halaman ini terdiri dari 3 bagian. Pertama, bagian tambah data, Kedua, bagian untuk menentukan nilai kontras dan threshold, lalu disebelah kanan nya terdapat kotak teks box untuk notifikasi, dan bagian terakhir adalah hasil dari pre-preprocessing.
Perancangan ini dapat dilihat pada Gambar 3.13.
Gambar 3.14. Perancangan Halaman Tambah Data 1
Keterangan:
1. Gambar yang dipilih akan menimbulkan notifikasi pada text box ini.
2. Tombol ini berguna untuk memilih citra berjumlah satu yang akan dicoba pada tahap preprocessing.
3. Tombol ini berguna untuk menambah data dalam bentuk satu folder.
4. Tombol ini berguna untuk memulai percobaan pre processing data.
5. Tombol ini berguna untuk menambah data.
6. Tombol ini berfungsi untuk mengatur kontras, threshold dan kategoripada data yang akan di training.
7. Tombol ini berguna untuk kembali ke halaman utama.
8. Tombol ini berfungsi untuk keluar dari aplikasi.
9. Text Box ini berfungsi untuk menampilkan notifikasi dari data yang telah ditambahkan.
10. Kotak ini menampilkan data asli citra yang dipilih.
11. Kotak ini menampilkan hasil dari grayscale.
12. Kotak ini menampilkan hasil dari GLCM.
13. Kotak ini menampilkan hasil dari kontras.
14. Kotak ini menampilkan hasil dari CLAHE.
15. Kotal ini menampilkan hasil dari thresholding.
3.7.3. Perancangan Halaman Training
Rancangan halaman ini terdiri dari dua bagian, yaitu bagian untuk menentukan parameter aktivasi dan optimasi, lalu bagian kedua untuk tampilan hasil pelatihan data menggunakan confussion matrix. Di atas kanan, terdapat dua button kembali, yaitu tombol kembali ke halaman utama dan tombol keluar dan menutup aplikasi, Perancangan halaman ini dapat dilihat pada Gambar 3.15.
Gambar 3.15. Perancangan Halaman Training Keterangan:
1. Tombol ini berguna untuk kembali ke halaman utama 2. Tombol ini berfungsi untuk keluar dari aplikasi
3. Tombol ini berfungsi untuk memilih aktivasi dan optimasi yang akan dipakai 4. Tombol ini berfungsi untuk memulai melatih data
5. Kotak ini akan menampilkan hasil dari Confussion Matrix.
6. Kotak ini akan menampilkan penjelasan dari Confussion Matrix
1 2
3 4
3 3
5
3 3
6
3 3
3.7.4. Perancangan Halaman Testing
Gambar 3.16. Perancangan Halaman Testing Keterangan:
1. Gambar yang dipilih akan menimbulkan notifikasi pada text box ini.
2. Tombol ini berguna untuk memilih citra berjumlah satu yang akan dicoba pada tahap preprocessing.
3. Tombol ini berfungsi untuk memulai percobaan pre processing data.
4. Tombol ini berfungsi untuk memulai prediksi data.
5. Tombol ini berguna untuk mengatur kontras, threshold.
6. Tombol ini berfungsi untuk kembali ke halaman utama.
7. Tombol ini berfungsi untuk keluar dari aplikasi.
8. Text Box ini berfungsi untuk menampilkan notifikasi dari data yang diprediksi.
9. Kotak ini menampilkan data asli citra yang dipilih.
10. Kotak ini menampilkan hasil dari grayscale.
11. Kotak ini menampilkan hasil dari GLCM.
12. Kotak ini menampilkan hasil dari kontras.
2 1
3 4
5
6 7
9 10 11
12 13 14
8
13. Kotak ini menampilkan hasil dari CLAHE.
14. Kotak ini menampilkan hasil dari thresholding.
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini, peneliti mengulas tentang hasil penerapan Evolving Multilayer Perceptron pada proses pengklasifikasian kanker kulit melalui citra nevus pigmentosus dan pengujian sistem sesuai berdasarkan analisis dan perancangan yang telah dibahas pada Bab 3.
4.1. Kebutuhan Aplikasi
Dalam pembentukan aplikasi klasifikasi kanker kulit melalui citra nevus pigmentosus menggunakan Evolving Multilayer Perceptron ini, memerlukan perangkat keras dan lunak sebagai pendukung, yaitu:
4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
1. Processor Intel® Core™ i7-4700 HQ CPU 2.40GHz.
2. Kapastias Hardisk 100 GB 3. Memori RAM 4.00 GB
4. Sistem Operasi Windows 10 Pro 64-bit 5. Python Versi 3.8.3
6. Library yang digunakan:
a. Pandas 1.2.4 b. Matplotlib 3.4.2 c. Numpy 1.20.3 d. Pillow 8.2.0
e. Scikit-image 0.18.1 7. Microsoft Visual Studio 2017
4.1.2. Implementasi Perancangan Antarmuka
Implementasi antarmuka berdasarkan rancangan sistem yang telah dibahas pada Bab 3, sebagai berikut:
1. Tampilan Awal Aplikasi
Tampilan awal aplikasi ini adalah menu pertama yang akan muncul saat aplikasi dijalankan. Pada tampilan ini, terdapat judul pada bagian atas, lalu logo usu, nama peneliti, nomor induk mahasiswa (nim), dan nama institusi peneliti.
Terdapat empat tombol utama pada tampilan ini yang akan terhubung pada tampilan selanjutnya. Yang pertama tombol “Tambah Data Latih”, yang kedua tombol “Latih Data”, yang ketiga tombol “Lakukan Prediksi” dan yang keempat tombol “Keluar” untuk menutup aplikasi. Tampilan awal dapat dilihat pada gambar 4.1.
Gambar 4.1. Tampilan Awal Aplikasi
2. Tampilan Halaman Tambah Data Latih
Halaman ini bertujuan untuk melakukan penambahan data yang nantinya akan dilatih oleh sistem. Terdapat dua opsi pada proses penambahan data pada database, yaitu Browse File dan Browse Folder. Pada halaman ini juga terdapat tombol pengaturan nilai threshold dan tingkat kontras. Di sebelah kanan threshold dan tingkat kontras, terdapat sebuah kotak teks sebagai penanda apakah data berhasil ditambahkan atau tidak. Lalu pada bagian bawah, terdapat tampilan preprocessing jika data akan diproses satu persatu. Terdapat juga
kolom yang akan menampilkan hasil dari GLCM. Tampilan Halaman ini dapat dilihat pada Gambar 4.2.
Gambar 4.2. Tampilan Halaman Tambah Data 3. Tampilan Halaman Training
Tampilan halaman latih data ini merupakan tampilan untuk melakukan pelatihan data pada klasifikasi kanker kulit dan mengetahui akurasi sistemnya. Pada bagian atas, terdapat pengaturan parameter yaitu aktivasi dan optimasi, lalu pada bagian bawah terdapat kolom untuk melihat hasil pelatihan data memakai confusion matrix. Tampilannya terdapat pada Gambar 4.3.
Gambar 4.3. Tampilan Halaman Training 4. Tampilan Halaman Testing
Tampilan Testing digunakan agar dilakukannya pengujian pada data klasifikasi kanker kulit dengan menggunakan metode Evolving Multilayer Perceptron. Di bagian ini terdapat tombol “Browse File” untuk memasukkan data, pengaturan
tingkat kotras dan threshold, kotak teks sebagai tempat hasil prediksi dan kolom preprocessing untuk melihat hasil dari preprocessing gambar dan terakhir kolom untuk menampilkan hasil dari GLCM. Tampilan halaman testing ini dapat dilihat pada Gambar 4.4..
Gambar 4.4. Tampilan Halaman Testing 4.1.3. Implementasi Data
Data yang digunakan oleh sistem adalah data citra yang diambil dari Kaggel. Total data yang digunakan pada penelitian ini adalah 162 data untuk tiga kategori kanker kulit (Actinic Keratosis, Karsinoma Sel Basal, dan Melanoma). Rangkuman data tersebut dapat dilihat pada Tabel 4.1.
Tabel 4.1. Data Citra Kanker Kulit Citra Actinic Keratosis
1. 2. 3.
4. 5. 6.
7. 8. 9.
10. 11. 12.
13. 14. 15.
Citra Karsinoma Sel Basal
1. 2. 3.
4. 5. 6.
7. 8. 9.
10. 11. 12.
13. 14. 15.
Citra Melanoma
1. 2. 3.
4. 5. 6.
7. 8. 9.
10. 11. 12.
13. 14. 15.
4.2. Prosedur Operasional
Pada sistem klasifikasi kanker kulit ini, terdapat 3 halaman utama, yaitu halaman tambah data, latih data, dan prediksi data. Pada halaman tambah data sendiri, terdapat tombol Browse File untuk memasukkan data satu persatu, jika ingin memasukkan data langsung satu folder, terdapat tombol Browse Folder.
Gambar 4.5. Tampilan Tombol Upload Data
Lalu, penulis memasukkan data folder dengan menekan tombol Browse Folder pada Gambar 4.5. dan akan otomatis masuk ke file data yang akan dipilih ke dalam database seperti yang terlihat pada Gambar 4.6. berikut.
Gambar 4.6. Tampilan Upload Data
Folder Data yang akan di proses dimasukkan kedalam folder aplikasi. Lalu setelah memilih folder data yang sesuai, selanjutnya menekan tombol “Select Folder” dan mengatur threshold, setelah itu menekan tombol “Tambah data” pada Gambar 4.5 untuk menambahkan data yang telah dipilih kedalam database hingga menjadi data latih/training.
Gambar 4.7. Tampilan Data Latih dan Pemberitahuan Data Sukses Ditambahkan
Jika memilih hanya satu daya pada tombol “Browse File” yang terdapat di Gambar 4.5, data yang dimasukkan dapat diproses langsung hingga menampilkan citra yang sesuai.
Kemudian data yang sudah dimasukkan kedalam database akan diproses pada halaman
“Latih Data” pada Gambar 4.3. Berikutnya, setelah menyesuaikan aktivasi dan optimasi apa yang akan dipilih, tekan tombol “Latih Data” maka akan dihitung akurasinya menggunakan Confusion Matrix fan Confusion Matrix Summary dari ketiga kategori yang dimasukkan kedalam database.
Gambar 4.8. Tampilan Button Latih Data
Berikutnya adalah Proses Prediksi Data. Pilih button Browse File seperti pada Gambar 4.9 berikut untuk memilih citra yang akan diuji pada halaman “Prediksi Data”, Sistem hanya akan memproses satu data pada satu waktu.
Gambar 4.9. Tampilan Botton Browse File
Lalu, penulis akan memasukkan tingkat kontras dan thresholding yang sama dengan yang penulis masukkan di awal saat memasukkan data, setelah itu, tekan tombol “Proses Data”. Data akan tampil pada kotak yang sesuai dengan prosesnya, seperti pada Gambar 4.10 berikut.
Gambar 4.10. Tampilan Citra Yang Diproses
Setelah citra diproses, citra akan selanjutnya diidentifikasikan melalui tombol
“Prediksi Data” dan hasilnya akan ditampilkan pada Text Box yang ada di samping kanan atas pada Gambar 4.10.
Gambar 4.11. Tampilan Hasil Klasifikasi
4.3. Hasil Pengolahan Citra
Pada tahap ini, penulis akan menjelaskan hasil perolehan dari tahap pengolahan citra.
Hasil ini terdiri dari gambar asli, grayscale, CLAHE dan thresholding. Hasil dapat dilihat pada Table 4.2.
Tabel 4.2. Hasil Pengolahan Citra
No. Citra Grayscale CLAHE Thresholding
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
4.4. Pengujian Sistem
Tahap ini menjelaskan tentang pengujian yang dilakukan dengan sistem dan data.
Pengujian dilakukan pada data citra kanker kulit yang berjumlah total 161 dengan 120 data training, dimana data training tersebut dibagi menjadi 3 kelompok, yaitu 60 data training untuk Artinic Keratosis, 60 data training untuk Karsinoma Sel Basal, dan 60 data training untuk Melanoma dan data testing yang dipakai sebanyak 42 data testing, dimana masing-masing kelompok mempunyai 14 data testing.
Parameter yang penulis gunakan pada pengujian ini adalah nilai Learning Rate = 0.001, 0.01, dan 0.1, nilai EPOCH sebayak 100 dan 200, hidden layer = 20, 50 dan 100, Batch size = 5, 10, dan 20, activation dan optimation. Dari hasil pengujian yang penulis lakukan, didapatkan parameter terbaik untuk aktivasi dan optimasi = TANH dan ADAM, dengan learning rate = 0.1 dan EPOCH = 100 dan Binary Threshold = 150, hidden layer = 50 dan batch = 5.
Berdasarkan parameter yang digunakan diatas, hasil uji sistem dapat dilihat pada Tabel 4.3. AK sebagai Artinic Keratosis, dan Ks. Basal sebagai Karsinoma Sel Basal.
Tabel 4.3 Hasil Dari Pengujian Sistem
No. Citra Nama Citra Output Hasil
1 AK AK Berhasil
2 AK AK Berhasil
3 AK AK Berhasil
4 AK AK Berhasil
5 AK AK Berhasil
6 AK AK Berhasil
7 AK AK Berhasil
8 AK Ks. Basal Gagal
9 AK AK Berhasil
10 AK AK Berhasil
11 AK AK Berhasil
12 AK AK Berhasil
13 AK AK Berhasil
14 AK AK Berhasil
15 Ks. Basal Actinic Keratosis Gagal
16 Ks. Basal Ks. Basal Berhasil
17 Ks. Basal Melanoma Gagal
18 Ks. Basal Ks. Basal Berhasil
19 Ks. Basal Ks. Basal Berhasil
20 Ks. Basal Ks. Basal Berhasil
21 Ks. Basal Ks. Basal Berhasil
22 Ks. Basal Ks. Basal Berhasil
23 Ks. Basal Ks. Basal Berhasil
24 Ks. Basal Ks. Basal Berhasil
25 Ks. Basal Ks. Basal Berhasil
26 Ks. Basal Ks. Basal Berhasil
27 Ks. Basal Actinic Keratosis Gagal
28 Ks. Basal Ks. Basal Berhasil
29 Melanoma Melanoma Berhasil
30 Melanoma Melanoma Berhasil
31 Melanoma Melanoma Berhasil
32 Melanoma Melanoma Berhasil
33 Melanoma Melanoma Berhasil
34 Melanoma Melanoma Berhasil
35 Melanoma Melanoma Berhasil
36 Melanoma Melanoma Berhasil
37 Melanoma Melanoma Berhasil
38 Melanoma Melanoma Berhasil
39 Melanoma Melanoma Berhasil
40 Melanoma Melanoma Berhasil
41 Melanoma Melanoma Berhasil
42 Melanoma Ks. Basal Gagal
Berdasarkan hasil pengujian, diperoleh nilai confussion matrix sebagai berikut.
Gambar 4.12. Confusion Matrix
Precision Recall F1-score Support
AK 0,87 0,93 0,90 14
Ks. Basal 0,85 0,79 0,81 14
Melanoma 0,93 0,93 0,93 14
Tabel 4.4. Confusion Matrix
Dengan perhitungan matematis dari Confusion Matrixnya adalah sebagai berikut:
Precision = 𝑇𝑃 𝐴𝐾
Berdasarkan hasil testing diatas, sistem klasifikasi kanker kulit berdasarkan citra nevus pigmentosus menggunakan metode E volving Multilayer Perceptron diperoleh akurasi 88%.
Persentase Akurasi = 𝑻𝑷 𝑨𝑲+𝑻𝑷 𝑲𝒔.𝑩𝒂𝒔𝒂𝒍+𝑻𝑷 𝑴𝒆𝒍𝒂𝒏𝒐𝒎𝒂
𝑱𝒖𝒎𝒍𝒂𝒉 𝒄𝒊𝒕𝒓𝒂 𝒕𝒆𝒔𝒕𝒊𝒏𝒈 x 100%
Persentase Akurasi = 37
42 x 100%
= 88.09 % 4.5. Analisis Hasil
Berdasarkan hasil pengukuran akurasi, dapat dinyatakan bahwa sistem klasifikasi kanker kulit dengan menggunakan metode Evolving Multilayer Perceptron mendapatkan hasil akurasi sebesar 88.09%. Dari beberapa metode aktivasi dan optimasi yang penulis lakukan, diketahui bahwa metode TANH (Hyperbolic Tangent) dan ADAM (Adaptive Moment Estimation) adalah metode akticasi dan optimasi paling baik dibanding aktivasi dan optimasi lainnya. Nilai threshold yang digunakan pada penelitian ini adalah 150. Hal ini disebabkan bahwa nilai threshold 150 adalah nilai yang paling tepat dan paling bagus untuk menampilkan ciri-ciri khas pada masing-masing jenis citra kanker kulit.
Gambar 4.13. Citra yang gagal terdeteksi oleh sistem
Salah satu citra yang tidak berhasil terdeteksi oleh sistem dapat dilihat pada Gambar 4.12. Citra tersebut adalah citra kanker kulit berjenis Melanoma yang salah dideteksi oleh sistem sebagai citra kanker kulit berjenis Karsinoma Sel Basal. Hal ini dapat disebabkan karena miripnya citra kanker kulit berjenis melanoma ini dengan karsinoma sel basal, hingga sistem cukup sulit untuk membedakannya, belum lagi tahap proses pengolahan citra yang belum cukup tepat hingga tidak bisa menghapus bagian yang tidak diperlukan dari citra hingga menghasilkan hasil yang khas dan unik.
Perbandingan citra yang gagal terdeteksi dan yang berhasil terdeteksi dapat dilihat pada Tabel 4.4. Kualitas pengambilan citra juga cukup memengaruhi hasil pendeteksian sistem. Seperti angle pengambilan gambar, tingkat keparahan suatu penyakit tersebut, pada beberapa citra, bintik-bintik hitam masih terlihat samar, dan objek lain yang bukan termasuk citra kanker kulit, seperti bulu-bulu halus.
Terdeteksi Benar Gagal Terdeteksi
Tabel 4.5. Perbandingan dari citra yang berhasil terdeteksi dan tidak
Pada tahap Prediksi Data, sistem memerlukan waktu sekitar 5 menit untuk masing-masing jenis kanker kulit, hal ini termasuk lambat untuk sebuah sistem klasifikasi yang biasanya hanya memerlukan waktu sekitar satu hingga 3 menit untuk mendekteksi citra, tergantung pada banyaknya jumlah citra yang dipakai. Hal tersebut diakibatkan spesifikasi komputer yang digunakan pada penelitian ini tidak kompetibel untuk melakukan proses klasifikasi.
BAB 5
KESIMPULAN DAN SARAN
Pada bab ini, penulis membahas dan mengambil kesimpulan yang didapat atas pengunaan metode Evolving Multilayer Perceptron dan saran untuk penelitian berikutnya.
5.1. Kesimpulan
Berdasarkan hasil dari pengujian sistem untuk mengklasifikasi kanker kulit berdasarkan metode Evolving Multilayer Perceptron, antara lain:
1. Jenis kanker kulit yang berhasil diklasifikasi adalahactinic keratosis, karsinoma sel basal dan melanoma yang menghasilkan nilai akurasi sebesar 88.09%
2. Parameter yang digunakan pada metode Evolving Multilayer Percetron adalah learning rate = 0.1 dan EPOCH = 100 dan Binary Threshold = 150. Aktivasi dan Optimasi yang menghasilkan nilai akurasi yang cukup tinggi adalah metode TANH (Hyperbolic Tangent) dan ADAM (Adaptive Moment Estimation).
3. Terdapat beberapa citra yang tidak terdeteksi dengan baik, hal ini disebabkan oleh berbagai alasan seperti kualitas citra dan spesifikasi computer yang dipakai.
5.2. Saran
1. Menggunakan metode ekstraksi fitur yang lain agar ciri-ciri khusus yang terdapat pada citra akan semakin banyak ditemukan dan dapat menghasilkan hasil akurasi lebih tinggi
2. Memakai metode neural network dan parameter lain agar dapat menjadi perbandingan dari hasil yang diperoleh dari metode Evolving Multilayer Perceptron ini.
DAFTAR PUSTAKA
Anonymous. 2008. Basal Cell Carcinoma. Medline Plus 2 Mei.
Andi:, D. 2010. Pengolahan Citra Digital. Yogyakarta.
Anggara, Bayu Tri. Yesy Diah Rosita, Dinarta Hanum. 2019. Sistem Prediksi Tingkat Inflasi Provinsi Jawa Timur Menggunakan Metode Multilayer Perceptron.
Jurnal Teknik Informatika, Universitas Islam Majapahit,
Brannon, Heather MD. 2008. Basal Cell Carcinoma. Basic Information About Basal Cell Carcinoma. Medical Review Board.
Dianzani, Caterina, Claudio Conforti, Roberta Gluffrida, Paola Corneli, Nicola Meo, Eleonora Farinazzo, Anna Moret, Giovanni Magaton Rizzi, Iris Zalaudek. 2020 Current Therapies For Actinic Keratosis.
Fontanillas, Pierre. Babak Alipanahi, Nicholas A.Furlotte, Michaela Johnson, Catherine H. Wilson. 2021.Disease Risk Scores For Skin Cancer.
Figueras, M.T Fenandez. 2017. From Actinic Keratosis to Squamous Cell Carcinoma:
Payhophysiology Revisted.
Hendaria, M. P., Maliawan, S., Pusat, U., Denpasar, S., 2013. K. S. Kanker kulit.
Kanker Kulit, 1–17.
Islamiati, Ennok Nisa. Siska Nia Irasanti, Mia Kusmiati, Deis Hikmawati, Ismet M.
Nur, 2019. Karakteristik Nevus Pigmentosus berdasar atas Gambaran Histopatologi di Rumah Sakit Al-Islam Bandun. Jurnal Integrasi Kesehatan &
Sains, Vol. 1 No. 1.
Isnaidi, Nur Alifa, Dwi Junanti. 2019.Klasifikasi Jenis Tumor Kulit Menggunakan Dimensi Fraktal Box Counting Dan K-Means. Jurnal Riset dan Aplikasi Matematika e-ISSN: 2581-0154.
Lubis, M.N. 2018. Deteksi Penyakit Kulit berdasarkan Tekstur menggunakan Multilayer Perceptron. Skripsi. Universitas Sumatera Utara.
Iqbal, Javed, branzeer ahsan abbasi, Riaz Ahmad, Riffat Batool, Tariq Mahmood, Barkat Ali, Ali Talha Khalil, Sobia Kanwal. 2019.Potential phytochemicals in the fight against skin cancer: Current landscapeand future perspectives. Jurnal Biomedicine & pharmacotherapy, vol.109.
Jansen, Maud. Janneke Kessels, Patty Nelemans, Nina Kouloubis, Aimee Arts, Patricia. J. 2019. Randomized Trial of Four Treatment Approaches for Actinic Keratosis. Jurnal Med. 380-915-946.
Jun, Seow Wen, Arif Ahmed Sekh. 2019. SeMLP: Self-evolving Multi-layer Perceptron in Stock Trading Decision Making.
Rastrelli, Marco, Savera Tropea, Carlo Riccardo, Mauro Alabac. 2014. Melanoma:
Epidemiology,Risk Factors, Pathogenesis, Diagnosis dan Classification.
Sanagavarapu, Sowmpa. Sashank Sridhar. 2021. COVID-19 Identification in CLAHE Enhanced CT Scans with Class Imbalance using Ensembled ResNets. Jurnal IEEE International IOT, Electronics and Mechatronics Conference
(IEMTRONICS).
Savera, Teresia R., Winsya H. Suryawan, dan Agung W. Setiawan, 2020. Early Detection Of Skin Cancer Using K-NN and Convolutional Neural Network”
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 7, No. 2, , hlm.
373-378.
Unandar, Budimulja. 2005. Morfologi Dan Cara Membuat Diagnosis; Rata IGA.
Tumor Kulit. Dalam: Djuanda Adhi, Hamzah Mochtar, Aisah Siti, penyunting.
Buku Ilmu Penyakit Kulit dan Kelamin. Edisi ke-IV.Jakarta: Badan Penerbit Fakultas Kedokteran Universitas Indonesia,; h.35,229-238
Zhou, H., Wu, J., & Zhang, J. 2010.Digital Image Processing: Part I. Huiyu Zhou, Jiahua Wu, Jiangou Zhang & Ventus Publishing Aps.